AutoCT：利用 LLM 智能体自动化临床试验预测
机器学习
2025-06-06 v1 人工智能
摘要
临床试验是推进医疗治疗的关键环节，但因昂高的费用和耗长的时间而仍具挑战性。准确预测临床试验结果可显著降低研发成本并加速药物发现。虽然近期的深度学习模型通过利用非结构化数据展现了前景，但其黑箱本质、缺乏可解释性以及对标签泄漏的脆弱性，限制了其在高风险生物医学情境中的实际应用。本文提出 AutoCT—a 新型框架，将大语言模型的推理能力与经典机器学习的可解释性相结合。AutoCT 在无需人工输入的情况下，自主生成、评估并细化基于公共信息的表格特征。该方法采用蒙特卡洛树搜索(Monte Carlo Tree Search)以迭代优化预测性能。实验结果表明，AutoCT 在仅限于少量自我细化迭代后，即可在临床试验预测任务中与或超越 SOTA 方法，树立了可扩展、可解释且高性价比的临床试验预测新范式。
引用
@article{arxiv.2506.04293,
title = {AUTOCT: Automating Interpretable Clinical Trial Prediction with LLM Agents},
author = {Fengze Liu and Haoyu Wang and Joonhyuk Cho and Dan Roth and Andrew W. Lo},
journal= {arXiv preprint arXiv:2506.04293},
year = {2025}
}